CN107517090A - 基于信道保持时间的频谱检测方法 - Google Patents
基于信道保持时间的频谱检测方法 Download PDFInfo
- Publication number
- CN107517090A CN107517090A CN201710894992.0A CN201710894992A CN107517090A CN 107517090 A CN107517090 A CN 107517090A CN 201710894992 A CN201710894992 A CN 201710894992A CN 107517090 A CN107517090 A CN 107517090A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- detection
- time
- probability
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/382—Monitoring; Testing of propagation channels for resource allocation, admission control or handover
Abstract
本发明公开了一种基于信道保持时间的频谱检测方法，包括：步骤一：使用泊松帕累托过程的时间模型，还原一个Web应用程序和加性高斯白噪声过程，由能量的检测概率计算出检测概率；步骤二：在时间和噪声统计的基础上，推导出主用户的检测时间δt：步骤三：在吞吐量达到目标吞吐量的前提下，对检测时间δt进行优化，使其达到最小。本发明的基于信道保持时间的频谱检测方法通过优化检测时间来最大化认知用户吞吐量，节约认知无线电的能源；还利用检测概率的表达式，总结出一个当要求得到90％检测主用户的概率时的所需最小检测时间表达式，由此能够通过优化检测时间，使认知无线电网络的性能得到显著改善。
Description
技术领域
本发明属于认知无线电技术领域，具体涉及一种基于信道保持时间的频谱检测方法。
背景技术
无线电频谱是一种有限的自然资源，无线通信的广泛使用导致频谱的稀缺，使频谱日益拥挤，同时人们发现很多已经分配的静态频谱被无效利用或者并未得到充分利用，造成频谱资源浪费。传统的频谱管理方法不灵活，很难在持有无线运营商许可证的特定频段内找到空闲的频带。在这种情况下，我们需要一个改进的频谱利用率，这将为动态频谱接入(DSA)创造机会。其中，一个可能的解决方案是使用“认知无线电”技术。
传统方法是采用假设检验的方法，检测频带是否被占用。主要的频谱检测技术有能量检测、循环平稳检测和匹配滤波器检测，许多技术提出的混合算法，能够得到比单一技术获得更好的结果。不过，这些方法存在不足。首先，在认知无线电系统中，持续感知频谱是不现实的，因为它会占用所有的接收器资源，而没有空间发送接收数据，造成资源的浪费。其次，能量检测在低信噪比下不能工作，无法区分用户；循环平稳检测和匹配滤波器检测都需要主用户的部分信息，计算成本高。最后，这些方法虽然能够完成一定意义上的频谱检测，但是，未能完成在优化检测时间的基础上提高认知用户吞吐量的任务，更没有提升认知无线网络性能。
在认知无线电系统中，持续检测频谱是不现实的，因为它会占用所有的接收器资源；因此，定期进行检测被认为是最佳的方法。
认知无线电节点无法检测出主用户环境，但认知无线电可以根据主用户的频谱占用特性来检测主用户，换句话说，如果主用户检测时间δt超过检测持续时间Tw传输，则认知无线电只检测主用户。
发明内容
为了解决现有技术中存在的问题，本发明提供了一种基于信道保持时间的频谱检测方法，利用泊松帕累托过程的时间统计模型和基于人类行为的粒子群优化算法，完成频谱检测时间优化，实现认知无线电的频谱感知。
本发明解决技术问题所采用的技术方案如下：
基于信道保持时间的频谱检测方法，包括：
步骤一：使用泊松帕累托过程的时间模型，还原一个Web应用程序和加性高斯白噪声过程，由能量的检测概率计算出检测概率；
步骤二：在时间和噪声统计的基础上，推导出主用户的检测时间δt：
其中，λ为到达率；QN是IN-1(.)的一种4阶修正贝塞尔函数的广义马坎Q函数；N为时间带宽的乘积；ρ为信噪比；μ为阈值；PF为虚警概率；PD为检测概率；TW为持续时间；τ为信道保持时间；
步骤三：在吞吐量达到目标吞吐量的前提下，对检测时间δt进行优化，使其达到最小：
其中，是主用户的目标吞吐量。
优选的是，所述步骤二还包括：分别在噪声存在和不存在的环境下分析检测概率，得出信道保持时间显著影响系统性能。
优选的是，利用基于人类行为的粒子群优化算法对检测时间δt进行优化。
优选的是，所述检测概率PD为：
其中，PD”为封闭形式的检测概率。
优选的是，所述虚警概率PF为：
PF＝Γ(N,μ/2)
其中，Γ(a,b)是上不完全伽玛函数。
优选的是，所述QN为：
其中QN是(N-1)阶修正贝塞尔函数的广义马坎Q函数。
本发明的有益效果是：1、在有噪声和无噪声两种环境下，分别准确计算信道保持时间内的PD、Pf、Pm，即为检测概率、虚警概率和漏检概率。2、利用泊松帕累托(PPBP)模型，本发明能够准确计算频段在任意持续时间Tw的占用概率P0、检测概率PD’、平均检测概率PD”、虚警概率PF和重写的检测概率PD，由此来完成分析频谱检测中信道保持时间影响的任务。3、本发明通过优化检测时间来最大化认知用户吞吐量，允许认知无线电节约能源。4、本发明还利用检测概率的表达式，总结出保证以90％概率检测主用户时所需最小检测时间的表达式，由此能够通过优化检测时间，使认知无线电网络的性能得到显著改善。
附图说明
图1是空白频谱和占用频谱示意图。
图2是认知无线电检测过程示意图。
图3是认知无线电周期检测示意图。
图4在无噪声情况下对于不同信道恒定保持时间的检测概率的分析图。
图5在无噪声情况下对于不同信道随机保持时间的检测概率的分析图。
图6是存在噪声情况下检测时间为0.1s时，虚警概率和漏检概率之间的关系图。
图7是存在噪声情况下检测时间为0.4s时，虚警概率和漏检概率之间的关系图。
图8是检测时间与认知用户吞吐量之间关系图。
图9为迭代次数与感知时间的关系图。
图10为迭代次数与感知时间的关系图。
图11为迭代次数与感知时间的关系图。
图12为迭代次数与感知时间的关系图。
具体实施方式
下面结合附图和实施例对本发明做进一步详细说明。
本发明的基于信道保持时间的频谱检测方法的定义为：在信道保持内有效检测主用户是否占用频谱的方法。方法原理为：依托基于泊松到达过程的主用户占用模型，在尽可能短的感知时间内对主用户进行有效的检测。
在这里，本发明的频谱占用模型为基于信道保持时间为帕累托分布的泊松到达过程模型，该方法能够将主用户占用的时间谱建模成泊松到达过程与帕累托分布保持时间的结合，占用的模型称为泊松帕累托模型(PPBP)，它描述了一个典型的Web服务。
下面介绍泊松到达模型和帕累托分布保持时间模型：
泊松到达模型描述了一个指数分布到达时间为Δi，平均到达率为λ的Web服务：
λ＝1/Δm (1)
其中，Δm为期望值；
我们认为下面是泊松模型的公理。N(t)∈N为时间t的到达数，则
·公理1：在时间t＝0时，主用户没有占用频谱。
·公理2：N(t)的增量独立性与平稳性。也就是说，如果J1＝N(t2)-N(t1)和J2＝N(t4)-N(t3)for t1＜t2＜t3＜t4，那么，J1和J2是独立的。此外，如果t4-t3＝t2-t1，则J1和J2具有相同的统计特性。
基于泊松到达模型的n到达概率公式为：
帕累托随机保持时间，主用户随机保持时间τi是一个帕累托分布模型。帕累托随机过程的累积函数为
τi≥τmin，τmin∈R+是最小包长度，k＞0是描述占用级别的参数。
本发明之基于信道保持时间的频谱检测方法，包括以下步骤：
步骤一：使用泊松帕累托过程的时间模型，还原一个Web应用程序和加性高斯白噪声过程，由能量的检测概率计算出检测概率表达式；
对信道特性及其检测性能进行分析。首先假定主用户占用信道的模型为泊松达到过程，信道保持时间为τ＝τi。H0和H1分别代表不存在和存在的主用户。
由认知无线电做出的假想的结论是：
1.1、频谱的占用概率P0定义为：在时间T秒内，检测到至少一个主用户传输的概率，其表达式为：
联合表达式(5)和表达式(2)，可以得到一个封闭形式的频谱的占用概率P0表达式：
P0(T)＝1-P[N(t)＝0]＝1-exp(-λT) (6)
此表达式可用于对(T＝Tw)计算占用概率。
1.2、检测概率是指在检测时间Tw内CR节点检测到主用户的概率，定义为在传输时隙t1 m-τ≤t≤t2 m内第m次检测时至少检测到一次主用户传输的概率。检测概率Pd的表达式为：
Pd＝P[N(t2 m)-N(t1 m)]≥1 (7)
利用公理2的独立性和平稳性，可以重写Pd为：
t2 m-(t1 m-τ)＝t2 m-t1 m+τ＝δt+τ (8)
N(t2 m)-N(t1 m-τ)＝N(δt+τ)-N(0)＝N(δt+τ) (9)
Pd＝P[N(t2 m)-N(t1 m-τ)≥1]＝P[N(δt+τ)≥1] (10)
Pd＝P[N(δT+τ)≥1] (11)
根据公式(6)时间T内的频谱的占用概率公式，检测概率应为时间(δτ+t)内的频谱占用概率与整个检测周期Tw内频谱占用概率之比。
联合公式(11)和公式(2)得到封闭形式检测概率PD”的表达式：
在此式中，仅考虑事件了持续时间Tw满足τ+δt≤Tw的情况，但是在实践中，还存在τ≥Tw-δt的情况，此时的检测概率PD”(τ)等于1。
因此，检测概率PD”表达式改写为：
由于不考虑这里的噪声，则虚警概率为零，即Pf＝0。
1.3、泊松帕累托模型的平均检测概率PD'公式为：
其中，fτ(τ)为τ＞τmin在帕累托分布占用时间τ的概率密度函数。
fτ(τ)＝kτmin-(k+1)τ-(k+1) (15)
其中，k为占用级别的参数。
得到一个封闭形式的平均检测概率PD'表达式为：
1.4、频谱检测性能分析扩展为同时考虑噪声和主用户的时间特性。
1.4.1我们假设信号在整个考虑的时间t1≤t≤t2内存在，对于某些t1，t2∈R+，即认知无线电扫描的频谱间隔为[t1 l,t2 l]。被测信号y(t)基于两个假设H0和H1为：
其中，x(t)是接收到的主用户信号；w(t)是AWGN(加性高斯白噪声)，其均值为0、方差为σ2。
给出用于检验离散信号y(n)＝y(nTs)的能量ε表达式为：
其中，Ts为采样周期；为y(n)的复共轭。
为了简化分析，我们认为信号噪声比在所有的时间是恒定的。
采用离散模为：
其中，ε是用于检验能量的统计量，μ是阈值。
1.4.2接下来，我们在无噪声的情况下定义四个概率为P00，P01，P10，P11：
P00＝P(dl＝0|H0) (20)
P01＝P(dl＝0|H1) (21)
P10＝P(dl＝1|H0) (22)
P11＝P(dl＝1|H1) (23)
有噪声情况下的检测概率为：
其中，N为时间带宽的乘积，ρ为信噪比。
1.4.3同时考虑噪声和主用户时间特性的检测概率和虚警概率为：
PD＝P(ε≥μ|H0)P01+P(ε≥μ|H1)P11 (25)
PF＝P(ε≥μ|H0)P00+P(ε≥μ|H1)P10 (26)
从上面的表达式，我们可以重写的检测概率和虚警概率为：
PF＝Γ(N,μ/2) (28)
其中，Γ(a，b)是上不完全伽玛函数，QN是IN-1(.)的一种4阶修正贝塞尔函数的广义马坎Q函数。
虚警概率仅取决于检测噪声。
采用泊松到达过程简历主用户占用信道的模型，采用周期检测的方法，根据主用户的保持时间，在检测时间内对主用户进行检测，在此条件写对检测概率和虚警概率进行推导分析。
步骤二：在时间和噪声统计的基础上，推导出主用户的检测时间表达式，由主用户的时间特性来分析检测性能，最大限度地提高认知用户吞吐量和节约能源；
将公式(28)代入公式(27)中可得：
PD＝PF(1-PD”)+PD′PD” (32)
PD-PF＝-PD”PF+PD′PD”＝-PD”(PF-PD′) (33)
对比公式(12)和(34)得到：
由此可以推导出检测时间为：
步骤三：较长的检测时间会降低认知用户的吞吐量。因此，检测时间应尽量减少，以提高吞吐量。
在吞吐量达到目标吞吐量的条件下，求解δt的最小值：
其中，是SU的目标吞吐量。在此处，被视为85％。
本发明的重点是基于信道保持时间的频谱检测(CHT)。因此，使用CHT作为决策变量，优化检测时间，使得功率和检测效率同时达到要求。我们提出的模拟情况在MATLAB中进行了仿真，仿真结果示出在图4～图12中。模拟是使用蒙特卡洛技术来生成随机PU的传输。泊松到达过程是对于使用二项式计数，在扫描持续周期Tw内发生概率p的事件进行了模拟。
使用的是HPSO算法。对检测时间δt进行优化的步骤为：参数初始化、随机设置粒子的速度和位置；根据检测时间的公式更新；最终得到最优的检测时间。
粒子群优化(PSO)算法以其简单、收敛速度快、性能好等优点，被广泛应用于求解各种数值和组合优化问题。PSO是一种基于种群的优化技术。基于人类行为的粒子群优化(HBPSO)算法是PSO算法的改进。在基于人类行为的粒子群优化算法中，介绍了全球最差的粒子，它是每一次在整个种群适应度中最差的迭代。它被表示为Gworst，定义为：
Gworst＝argmax{f(Pbest1),f(Pbest2),…,f(PbestN)} (42)
其中f(.)表示相应粒子的适应值。使用HPSO实现了优化检测时间，达到理想效果。
本实施方式中，在matlab仿真平台下验证基于信道保持时间的频谱检测方法，图4～图8示出了matlab仿真平台下的优化结果。
图4表示在无噪声、恒定保持时间条件为0.05s和检测周期为1s的条件下，信道占用时间与检测概率之间关系的理论曲线和仿真曲线图，其中带有“△”标记的实线代表感知时间为0.006s时的理论曲线，带有“△”标记的虚线代表感知时间为0.006s时的仿真曲线。其中带有“□”标记的实线代表感知时间为0.1s时的理论曲线，带有“□”标记的虚线代表感知时间为0.1s时的仿真曲线。由图4可见，当信道保持时间是恒定时，检测概率随着信道占用时间的增加而增加，而且相同信道占用时间条件下，感知时间越长，检测概率越高。
图5表示在无噪声、检测时间为0.1s和检测周期为1s的情况下，随机保持时间条件下信道占用时间与检测概率之间关系的理论曲线和仿真曲线图，“…”虚线代表保持时间为0.1s的趋势线，实线代表保持时间为0.2s的趋势线，“——”虚线代表保持时间为0.5s的趋势线。由图5可见，检测概率随着信道占用时间的增加而增加，而且相同信道占用时间条件下，保持时间越长，检测概率越高。
图6表示在有噪声的情况下，检测时间为0.1s、检测周期为1s和时间带宽积N为3的条件下，虚警概率与漏检概率关系曲线分析图，其中，带有“*”曲线代表噪声和时间特性下的趋势线，实线代表噪声特性下的趋势线。
图7表示在有噪声的情况下，检测时间为0.4s、检测周期为1s、时间带宽积N为3的条件下，虚警概率与漏检概率关系曲线分析图，其中，带有虚线代表噪声和时间特性下的趋势线，实线代表噪声特性下的趋势线。由图6、图7可见，图6中的ROC曲线和信道保持时间为τ＝0.1s，图7中的信道保持时间为τ＝0.4s，只有噪声的检测和噪声与时间特性之间没有大的区别。
图8表示信噪比为-6.5db的条件下，检测时间与认知用户吞吐量之间关系图。
图9-12表示迭代次数与感知时间的关系图，其中，图9-12的优化条件为：共有参数设置为N＝4、Tw＝0.5s，到达率λ＝10和目标检测概率为90％。图9的其他优化参数汇总与序号为1的行中，图10的其他优化参数汇总于序号为2的行中，图11的其他优化参数汇总于序号为3的行中，图12的其他优化参数汇总于序号为4的行中。
表一优化参数汇总表
正如表中所示，较高的阈值带给我们更高的检测时间值。较高的检测值意味着较小的吞吐量值。但检测时间方程有许多参数，在现实中实时改变。因此，在参数值确定后，可用小检测时间方程寻找最小检测时间。我们发现，优化过程总是能够在最高信噪比和最高保持时间找到更好的结果。
本发明的基于信道保持时间的频谱检测方法通过优化检测时间来最大化认知用户吞吐量，允许认知无线电节约能源；还利用检测概率的表达式，总结出一个当要求得到90％检测主用户的概率时的所需最小检测时间表达式，由此能够通过优化检测时间，使认知无线电网络的性能得到显著改善。
Claims (6)
1.基于信道保持时间的频谱检测方法，其特征在于，包括：
步骤一：使用泊松帕累托过程的时间模型，还原一个Web应用程序和加性高斯白噪声过程，由能量的检测概率计算出检测概率；
步骤二：在时间和噪声统计的基础上，推导出主用户的检测时间δt：
<mrow>
<mi>&delta;</mi>
<mi>t</mi>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>&lambda;</mi>
</mfrac>
<mi>l</mi>
<mi>n</mi>
<mo>{</mo>
<mn>1</mn>
<mo>-</mo>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msub>
<mi>P</mi>
<mi>D</mi>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>F</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>Q</mi>
<mi>N</mi>
</msub>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<mn>2</mn>
<mi>N</mi>
<mi>&rho;</mi>
</mrow>
</msqrt>
<mo>,</mo>
<msqrt>
<mi>&mu;</mi>
</msqrt>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>F</mi>
</msub>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>&lambda;T</mi>
<mi>w</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>-</mo>
<mi>&tau;</mi>
</mrow>
其中，λ为到达率；QN是IN-1(.)的一种4阶修正贝塞尔函数的广义马坎Q函数；N为时间带宽的乘积；ρ为信噪比；μ为阈值；PF为虚警概率；PD为检测概率；TW为持续时间；τ为信道保持时间；
步骤三：在吞吐量达到目标吞吐量的前提下，对检测时间δt进行优化，使其达到最小：
<mrow>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mi>&delta;</mi>
<mi>t</mi>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mn>1</mn>
<mi>&lambda;</mi>
</mfrac>
<mi>l</mi>
<mi>n</mi>
<mo>{</mo>
<mn>1</mn>
<mo>-</mo>
<mo>&lsqb;</mo>
<mfrac>
<mrow>
<msub>
<mi>P</mi>
<mi>D</mi>
</msub>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>F</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>Q</mi>
<mi>N</mi>
</msub>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<mn>2</mn>
<mi>N</mi>
<mi>&rho;</mi>
</mrow>
</msqrt>
<mo>,</mo>
<msqrt>
<mi>&mu;</mi>
</msqrt>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msub>
<mi>P</mi>
<mi>F</mi>
</msub>
</mrow>
</mfrac>
<mo>&rsqb;</mo>
<mo>&lsqb;</mo>
<mn>1</mn>
<mo>-</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<msub>
<mi>&lambda;T</mi>
<mi>w</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>}</mo>
<mo>-</mo>
<mi>&tau;</mi>
</mrow>
<mrow>
<mi>s</mi>
<mo>.</mo>
<mi>t</mi>
<mo>=</mo>
<mo>{</mo>
<msub>
<mi>R</mi>
<mi>n</mi>
</msub>
<mo>&GreaterEqual;</mo>
<msub>
<mover>
<mi>R</mi>
<mo>&OverBar;</mo>
</mover>
<mi>n</mi>
</msub>
<mo>}</mo>
</mrow>
其中，是主用户的目标吞吐量。
2.如权利要求1所述的基于信道保持时间的频谱检测方法，其特征在于，所述步骤二还包括：分别在噪声存在和不存在的环境下分析检测概率，得出信道保持时间显著影响系统性能。
3.如权利要求2所述的基于信道保持时间的频谱检测方法，其特征在于，利用基于人类行为的粒子群优化算法对检测时间δt进行优化。
4.如权利要求3所述的基于信道保持时间的频谱检测方法，其特征在于，所述检测概率PD为：
<mrow>
<msub>
<mi>P</mi>
<mi>D</mi>
</msub>
<mo>=</mo>
<mi>&Gamma;</mi>
<mrow>
<mo>(</mo>
<mi>N</mi>
<mo>,</mo>
<mi>&mu;</mi>
<mo>/</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msubsup>
<mi>P</mi>
<mi>D</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msubsup>
<mo>)</mo>
</mrow>
<mo>+</mo>
<msub>
<mi>Q</mi>
<mi>N</mi>
</msub>
<mrow>
<mo>(</mo>
<msqrt>
<mrow>
<mn>2</mn>
<mi>N</mi>
<mi>&rho;</mi>
</mrow>
</msqrt>
<mo>,</mo>
<msqrt>
<mi>&mu;</mi>
</msqrt>
<mo>)</mo>
</mrow>
<msubsup>
<mi>P</mi>
<mi>D</mi>
<mrow>
<mo>&prime;</mo>
<mo>&prime;</mo>
</mrow>
</msubsup>
</mrow>
其中，P″D为封闭形式的检测概率。
5.如权利要求4所述的基于信道保持时间的频谱检测方法，其特征在于，所述虚警概率PF为：
PF＝Γ(N,μ/2)
其中，Γ(a,b)是上不完全伽玛函数。
6.如权利要求5所述的基于信道保持时间的频谱检测方法，其特征在于，所述QN为：
<mrow>
<msub>
<mi>Q</mi>
<mi>N</mi>
</msub>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mi>b</mi>
<mi>&infin;</mi>
</msubsup>
<mi>exp</mi>
<mo>&lsqb;</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<msup>
<mi>u</mi>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mi>a</mi>
<mn>2</mn>
</msup>
<mo>)</mo>
</mrow>
<mo>/</mo>
<mn>2</mn>
<mo>&rsqb;</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>a</mi>
<mi>u</mi>
<mo>)</mo>
</mrow>
<mo>/</mo>
<msup>
<mi>a</mi>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<mi>d</mi>
<mi>u</mi>
</mrow>
其中，QN是(N-1)阶修正贝塞尔函数的广义马坎Q函数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710894992.0A CN107517090A (zh) | 2017-09-28 | 2017-09-28 | 基于信道保持时间的频谱检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710894992.0A CN107517090A (zh) | 2017-09-28 | 2017-09-28 | 基于信道保持时间的频谱检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107517090A true CN107517090A (zh) | 2017-12-26 |
Family
ID=60726374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710894992.0A Pending CN107517090A (zh) | 2017-09-28 | 2017-09-28 | 基于信道保持时间的频谱检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107517090A (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101527915A (zh) * | 2009-03-20 | 2009-09-09 | 南京邮电大学 | 异构网络中的频带动态选择和时间调度方法 |
| CN102394712A (zh) * | 2011-11-09 | 2012-03-28 | 南京邮电大学 | 认知无线电系统中检测周期与检测时间的联合优化方法 |
| CN102457338A (zh) * | 2011-11-09 | 2012-05-16 | 南京邮电大学 | 认知传感器网络中多用户感知信道的选择方法 |
| CN105636061A (zh) * | 2016-01-14 | 2016-06-01 | 南京邮电大学 | 一种在一般性衰落信道上统一精确的能量检测方法 |
-
2017
- 2017-09-28 CN CN201710894992.0A patent/CN107517090A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101527915A (zh) * | 2009-03-20 | 2009-09-09 | 南京邮电大学 | 异构网络中的频带动态选择和时间调度方法 |
| CN102394712A (zh) * | 2011-11-09 | 2012-03-28 | 南京邮电大学 | 认知无线电系统中检测周期与检测时间的联合优化方法 |
| CN102457338A (zh) * | 2011-11-09 | 2012-05-16 | 南京邮电大学 | 认知传感器网络中多用户感知信道的选择方法 |
| CN105636061A (zh) * | 2016-01-14 | 2016-06-01 | 南京邮电大学 | 一种在一般性衰落信道上统一精确的能量检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP6741810B2 (ja) | 電子装置、方法及びコンピュータ読取可能な媒体 | |
| CN101359930A (zh) | 认知无线电系统中基于最大特征值的频谱感知方法 | |
| CN101640570A (zh) | 频谱感知方法、能量检测方法及装置 | |
| CN101753232B (zh) | 协作频谱检测方法和系统 | |
| CN103428704B (zh) | 一种频谱感知方法及装置 | |
| CN103338082A (zh) | 一种基于“k秩”准则的双门限协作频谱感知方法 | |
| Zhang et al. | A universal approach to coverage probability and throughput analysis for cellular networks | |
| Tian et al. | IEEE 802.11 ah restricted access window surrogate model for real-time station grouping | |
| CN109039505B (zh) | 一种认知无线电网络中信道状态转移概率预测方法 | |
| Bala et al. | Throughput optimization of interference limited cognitive radio-based Internet of Things (CR-IoT) network | |
| Nadeem et al. | Non-cooperative spectrum sensing in context of primary user detection: A review | |
| CN105429913A (zh) | 基于特征值的多电平检测与识别方法 | |
| CN106936527B (zh) | 一种基于双门限的多用户合作频谱感知方法 | |
| CN105007596A (zh) | 一种基于QoS的WSANs丢包判决器设计方法 | |
| CN102857305A (zh) | 一种多节点联合的频谱感知方法和系统 | |
| CN110351884B (zh) | 一种基于双层多臂老虎机统计模型的频谱机会接入方法 | |
| CN107517090A (zh) | 基于信道保持时间的频谱检测方法 | |
| Men et al. | A robust cooperative spectrum sensing method against faulty nodes in CWSNs | |
| Li et al. | Channel-aware latency tail taming in industrial IoT | |
| CN104754617B (zh) | 一种无线网络的优化方法及装置 | |
| CN109150339B (zh) | 基于瑞利衰弱信道信号包络的频谱感知方法及系统 | |
| CN113395709B (zh) | 一种面向用户基站泊松分布的服务覆盖分析方法 | |
| CN102869114B (zh) | 基于ieee 802.11的公共跳多信道协议吞吐性能分析系统及方法 | |
| Bayrakdar et al. | A slotted Aloha based random access cognitive radio network and its performance evaluation | |
| CN110311743B (zh) | 一种变分推断估计主用户占空比的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20171226 |